Données et machine learning
Créez un projet d'analyse ou de modélisation exécutable et examinez les données à l'origine de ses résultats.
Définissez la question et les données
Décrivez le jeu de données, le résultat souhaité et le livrable que vous utiliserez. Par exemple : « Prédire si une commande sera retournée à partir de ce fichier CSV. Comparer le modèle à une base de référence simple et expliquer les prédicteurs les plus déterminants. » Identifiez la colonne cible et les éventuelles colonnes d'identifiant.
Fournissez un jeu de données exploitable
Fournissez les données ou une source prise en charge et expliquez la signification des colonnes, les valeurs manquantes et les dates pertinentes. Le workflow prend en charge la préparation de jeux de données ainsi que des sources externes de données ou de modèles en option. Les services externes et l'exécution sur GPU nécessitent la connexion et l'environnement d'exécution correspondants disponibles.
Convenez d'une méthode d'évaluation
Choisissez une métrique adaptée à la question. Un projet supervisé peut réserver un jeu de test distinct avant l'entraînement ; la plateforme utilise ces données d'évaluation pour vérifier les prédictions. Le rapport doit distinguer les résultats d'entraînement de l'évaluation indépendante et expliquer la comparaison avec la base de référence.
Consultez le rapport et les livrables
Le projet généré comprend du travail exécutable et un aperçu de rapport. Selon la demande, les résultats peuvent inclure du code d'entraînement et de prédiction, des modèles enregistrés, des prédictions et des rapports d'évaluation. Examinez les fichiers réellement produits ainsi que les commandes nécessaires pour reproduire le résultat.
Gérez une exécution échouée
Lisez le problème signalé avant de demander une correction. Une cible manquante, des types de colonnes inadaptés, des dépendances indisponibles ou un temps d'exécution épuisé peuvent empêcher d'obtenir un résultat valide. Corrigez les données ou la demande, relancez l'exécution et vérifiez le nouveau rapport ; un graphique seul ne prouve pas la réussite d'un entraînement.
Affiner et réutiliser
Demandez une autre fonctionnalité, une comparaison de modèles ou une explication dans la même conversation de création. Téléchargez le projet généré si vous devez poursuivre dans votre propre environnement. Conservez les hypothèses sur les données et le protocole d'évaluation avec le résultat.
Comprenez le périmètre
Un projet de données est un livrable différent d'un agent IA personnalisé ou d'une équipe Workload intégrée. Un workflow dédié à la stratégie de trading quantitatif reste prévu ; ces guides ne le présentent pas comme un type de création disponible.